• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于圖譜的多標(biāo)記特征選擇算法*

    2016-05-25 07:58:52嚴(yán)鵬,李
    計(jì)算機(jī)與生活 2016年4期

    嚴(yán) 鵬,李 云

    南京郵電大學(xué)計(jì)算機(jī)學(xué)院,南京210023

    ISSN 1673-9418 CODEN JKYTA8

    Journal of Frontiers of Computer Science and Technology

    1673-9418/2016/10(04)-0543-11

    ?

    基于圖譜的多標(biāo)記特征選擇算法*

    嚴(yán)鵬,李云+

    南京郵電大學(xué)計(jì)算機(jī)學(xué)院,南京210023

    ISSN 1673-9418 CODEN JKYTA8

    Journal of Frontiers of Computer Science and Technology

    1673-9418/2016/10(04)-0543-11

    E-mail: fcst@vip.163.com

    http://www.ceaj.org

    Tel: +86-10-89056056

    * The Natural Science Foundation of Jiangsu Province of China under Grant Nos. BK20131378, BK20140885 (江蘇省自然科學(xué)基金); the Postdoctoral Science Foundation of Jiangsu Province under Grant No. 1401045C (江蘇省博士后科研資助計(jì)劃); the Science Foundation of Nanjing University of Posts and Telecommunications under Grant No. NY214034 (南京郵電大學(xué)科研基金).

    Received 2015-05,Accepted 2015-07.

    CNKI網(wǎng)絡(luò)優(yōu)先出版: 2015-08-11, http://www.cnki.net/kcms/detail/11.5602.TP.20150811.1537.007.html

    摘要:特征選擇在傳統(tǒng)的單標(biāo)記問題中已經(jīng)得到深入的研究,但是大多數(shù)傳統(tǒng)的特征選擇算法卻無法用于多標(biāo)記問題。這是因?yàn)槎鄻?biāo)記問題中的每一個(gè)數(shù)據(jù)樣本都同時(shí)與多個(gè)類標(biāo)相關(guān)聯(lián),此時(shí)需要設(shè)計(jì)新的指標(biāo)來book=544,ebook=98評(píng)價(jià)特征。并且由于多個(gè)類標(biāo)之間通常存在一定的關(guān)聯(lián)性,在設(shè)計(jì)特征選擇算法時(shí)還需要對(duì)類標(biāo)的結(jié)構(gòu)進(jìn)行建模以利用類標(biāo)的關(guān)聯(lián)信息。采用譜特征選擇(spectral feature selection,SPEC)框架解決上述問題。SPEC所需的相似性矩陣和圖結(jié)構(gòu)由樣本類標(biāo)的Jaccard相似性來構(gòu)建,它能反映類標(biāo)間的關(guān)聯(lián)性。此外,所提出的方法屬于過濾器模型,它獨(dú)立于分類算法且不需要將多標(biāo)記問題轉(zhuǎn)化為單標(biāo)記問題來處理。在現(xiàn)實(shí)世界數(shù)據(jù)集上的實(shí)驗(yàn)驗(yàn)證了所提出算法的正確性和較好的性能。

    關(guān)鍵詞:多標(biāo)記學(xué)習(xí);譜特征選擇;標(biāo)記關(guān)聯(lián)性

    1 引言

    在傳統(tǒng)監(jiān)督學(xué)習(xí)領(lǐng)域,每個(gè)樣本只屬于一個(gè)概念,即每個(gè)樣本只與一個(gè)類標(biāo)相關(guān)聯(lián)。而在多標(biāo)記學(xué)習(xí)中,每個(gè)樣本可以同時(shí)與多個(gè)類標(biāo)相關(guān)聯(lián)。這些類標(biāo)可能相互依賴也可能相互獨(dú)立,于是與多標(biāo)記學(xué)習(xí)相關(guān)的算法通常需要能夠表示和利用類標(biāo)間的關(guān)聯(lián)信息。例如,在Emotions數(shù)據(jù)集中,每首樂曲用72個(gè)節(jié)奏和音色的特征來描述,并被標(biāo)有吃驚、愉快、放松、安靜、悲傷、生氣這6種類標(biāo)中的一個(gè)或多個(gè)。多標(biāo)記學(xué)習(xí)的任務(wù),就是在已標(biāo)記好的數(shù)據(jù)集上訓(xùn)練分類器,使其能為未標(biāo)記樣本添加正確的類標(biāo)。很自然的,“放松”與“安靜”相比“放松”與“生氣”更可能被同時(shí)標(biāo)記在同一首樂曲上,這就是類標(biāo)間的關(guān)聯(lián)信息。

    此外,多標(biāo)記學(xué)習(xí)同樣會(huì)受到維度災(zāi)難的困擾,冗余和不相關(guān)的特征會(huì)讓數(shù)據(jù)變得難以處理,并導(dǎo)致訓(xùn)練得到的模型不可靠。因此,需要設(shè)計(jì)能夠有效處理多標(biāo)記問題的特征選擇算法。與傳統(tǒng)的特征選擇算法相比,多標(biāo)記特征選擇算法需要能更好地利用類標(biāo)間的關(guān)聯(lián)信息。

    然而,那些成熟的特征選擇算法通常是針對(duì)傳統(tǒng)的單標(biāo)記問題或無監(jiān)督學(xué)習(xí)問題而設(shè)計(jì)的。盡管可以先將多標(biāo)記問題轉(zhuǎn)化為多個(gè)單標(biāo)記問題,再用這些已有的算法去處理轉(zhuǎn)化后得到的單標(biāo)記問題,但是這類基于轉(zhuǎn)化策略的方法在應(yīng)用時(shí)卻會(huì)遇到許多新問題。例如,利用Binary Relevance Strategy[1]將多標(biāo)記問題轉(zhuǎn)換成多個(gè)單標(biāo)記分類問題,再直接利用傳統(tǒng)的特征選擇算法對(duì)每個(gè)單標(biāo)記問題進(jìn)行特征選擇。顯然,這一策略完全忽略了類標(biāo)間的關(guān)聯(lián)性,并且當(dāng)類標(biāo)空間很稀疏時(shí)會(huì)導(dǎo)致類別不平衡的問題。為此,采用基于圖譜的特征選擇算法[2]來直接進(jìn)行特征選擇而不需進(jìn)行多標(biāo)記問題的轉(zhuǎn)化。這一算法屬于過濾器模型,它不依賴于特定的分類算法或是某類問題轉(zhuǎn)化策略,但依然能有效利用類標(biāo)間的關(guān)聯(lián)信息。

    本文組織結(jié)構(gòu)如下:第2章介紹多標(biāo)記學(xué)習(xí)和特征選擇的相關(guān)工作,并討論一些現(xiàn)有的多標(biāo)記特征選擇算法;第3章詳細(xì)介紹所提出的用于多標(biāo)記問題的譜特征選擇算法;第4章給出在現(xiàn)實(shí)世界數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果和相應(yīng)的評(píng)價(jià)指標(biāo);第5章進(jìn)行總結(jié)和討論。

    2 相關(guān)工作

    2.1多標(biāo)記學(xué)習(xí)

    多標(biāo)記學(xué)習(xí)算法按照是否利用類標(biāo)的關(guān)聯(lián)信息通常被分為3個(gè)階次[3]。一階算法為每個(gè)類標(biāo)單獨(dú)構(gòu)建一個(gè)分類器,這樣有q個(gè)候選類標(biāo)的多標(biāo)記問題就被轉(zhuǎn)化為q個(gè)二分類問題。典型的一階算法有Binary Relevance[1]、多標(biāo)記k近鄰算法(multi-label k-nearest neighbor,ML-kNN)[4]等。二階算法考慮成對(duì)類標(biāo)的關(guān)聯(lián)性,通常將多標(biāo)記分類問題轉(zhuǎn)化為類標(biāo)排序問題。典型的二階算法有Calibrated Label Ranking[5]和rank-支持向量機(jī)(rank-support vector machine,rank-SVM)[6]。二階算法在訓(xùn)練時(shí)通常將類標(biāo)兩兩組合,構(gòu)建出q(q-1)/2個(gè)二分類問題,并對(duì)每個(gè)二分類問題進(jìn)行學(xué)習(xí)而得到相應(yīng)的分類器。在分類時(shí)根據(jù)q(q-1)/2個(gè)分類器的結(jié)果為每個(gè)類標(biāo)進(jìn)行投票。某個(gè)類標(biāo)得票數(shù)越高,那么該類標(biāo)就越可能和該樣本相關(guān)。高階算法為類標(biāo)間的關(guān)聯(lián)性建立更復(fù)雜的模型,它們可能考慮所有類標(biāo)對(duì)某一類標(biāo)的影響或者隨機(jī)選取一個(gè)類標(biāo)子集將其轉(zhuǎn)化為多類問題,例如Classifier Chain[7-8]和Random k-label Set[9-10]屬于高階算法。

    2.2特征選擇

    特征選擇是一種被廣泛采用的降維技術(shù),它按照一定評(píng)價(jià)準(zhǔn)則從原始特征空間中選取一個(gè)維度較低的子空間,使得后續(xù)的學(xué)習(xí)算法在該子空間上有更好的性能。根據(jù)評(píng)價(jià)準(zhǔn)則,常規(guī)的特征選擇算法通??蓺w納為3種模型:過濾器模型、封裝器模型和嵌入式模型[11-12]。屬于過濾器模型的特征選擇算法獨(dú)立于具體的分類算法,因此所使用的分類器的特性和偏差并不會(huì)對(duì)選擇結(jié)果產(chǎn)生影響。屬于過濾器模型的典型算法有Relief/ReliefF[13]、Fisher Score[14]和基于信息增益的算法等。封裝器模型可以看作分類算法的一部分,屬于封裝器模型的算法通常利用分類器的分類性能來評(píng)價(jià)候選特征。這類算法針對(duì)特定的分類器能取得很好的性能,但卻常受限于較大的計(jì)算開支和所使用的特定分類算法。嵌入式模型結(jié)合了過濾器模型和封裝器模型的特點(diǎn)。屬于嵌入式模型的算法首先獨(dú)立于分類算法產(chǎn)生若干候選特征子空間,再根據(jù)分類器在這些子空間上的分類性能,選取獲得最優(yōu)性能的特征子空間作為最終結(jié)果。

    2.3多標(biāo)記特征選擇

    近幾年,研究人員已提出了一些針對(duì)多標(biāo)記問題的特征選擇算法。在這些算法中,第一個(gè)考慮類標(biāo)關(guān)聯(lián)性的多標(biāo)記特征選擇算法是由Zhang等人在文獻(xiàn)[15]中提出的。該算法首先用傳統(tǒng)的主成分分析方法(principle component analysis,PCA)和遺傳算法(genetic algorithm,GA)來生成特征,再由多標(biāo)記樸素貝葉斯算法來衡量這些特征的分類性能。Doquire等人在文獻(xiàn)[16]中先將多標(biāo)記問題轉(zhuǎn)化為多類問題,然后再采用傳統(tǒng)的特征選擇算法對(duì)轉(zhuǎn)化后的問題進(jìn)行特征選擇。Gu等人在文獻(xiàn)[17]中改進(jìn)了rank-SVM,并結(jié)合該分類算法進(jìn)行特征選擇。Kong等人在文獻(xiàn)[18]中拓展了傳統(tǒng)的ReliefF和F-Statistic算法來處理多標(biāo)記問題,并應(yīng)用于圖像標(biāo)注。但是,這些算法大都屬于封裝器模型,它們的使用受限于巨大的計(jì)算量和特定的分類器。例如文獻(xiàn)[15]中所介紹的算法需要利用多標(biāo)記樸素貝葉斯算法的性能來評(píng)價(jià)特征,而文獻(xiàn)[16-17]中所介紹的算法需要依賴特定的問題轉(zhuǎn)化策略。

    3 基于圖譜的多標(biāo)記特征選擇

    本文將研究基于圖譜的多標(biāo)記特征選擇算法,該方法可以充分利用類標(biāo)間的關(guān)聯(lián)信息,并且具有較小的計(jì)算復(fù)雜度。傳統(tǒng)的譜特征選擇算法首先根據(jù)訓(xùn)練樣本的結(jié)構(gòu)提取出這些數(shù)據(jù)的圖譜信息,再根據(jù)圖譜信息選取那些與其結(jié)構(gòu)一致的特征。當(dāng)處理多標(biāo)記問題時(shí),如果能在提取圖譜信息的同時(shí)提取類標(biāo)的結(jié)構(gòu)信息,那么在此基礎(chǔ)上進(jìn)行特征選擇既利用了類標(biāo)的關(guān)聯(lián)性又不需要將多標(biāo)記問題轉(zhuǎn)化為單標(biāo)記問題。已有一些算法采用類似的思想來處理多標(biāo)記學(xué)習(xí)問題,例如文獻(xiàn)[19-20]所介紹的算法先從訓(xùn)練數(shù)據(jù)中提取類標(biāo)的結(jié)構(gòu)信息,然后利用這些信息與原始的特征來學(xué)習(xí)多標(biāo)記分類模型。

    3.1譜特征選擇

    譜特征選擇是一種通用的特征選擇算法框架,既可以用在監(jiān)督學(xué)習(xí)領(lǐng)域也可以用在無監(jiān)督學(xué)習(xí)領(lǐng)域。一些經(jīng)典的特征選擇算法已被證明屬于譜特征選擇的框架,例如Relief、Fisher Score等[21]。在選取特征時(shí),譜特征選擇算法以特征取值的分布是否與目標(biāo)概念的結(jié)構(gòu)相一致作為特征選擇的評(píng)價(jià)標(biāo)準(zhǔn)。例如在圖1中,每個(gè)圖形(三角和圓圈)表示一個(gè)樣本,不同的形狀表示這些樣本在同一特征上的不同取值,橢圓A和橢圓B表示目標(biāo)概念的區(qū)域,同一區(qū)域內(nèi)的樣本具有相同的類別(類別A或類別B)。在圖1的左半部分,具有相同類別的樣本在特征F1上取值相同,而具有不同類別的樣本在特征F1上取值不同,因此特征F1對(duì)類別A和類別B有很好的判別能力,此時(shí)稱特征F1的取值分布與目標(biāo)概念結(jié)構(gòu)一致。相反,特征F2的取值分布則與目標(biāo)概念的結(jié)構(gòu)不一致,F(xiàn)2對(duì)類別A和類別B不具有很好的判別能力(圖1右半部分)。因此譜特征選擇會(huì)選取F1而非F2。

    Fig.1 Consistency of a feature and target concept圖1 特征與目標(biāo)概念的一致性示意圖

    本文用Fm(1≤m≤d)表示第m個(gè)特征,fm為所有樣本在第m個(gè)特征上的取值所構(gòu)成的向量,則第i個(gè)樣本可以表示成xi=(f1i,f2i,…,fdi)。目標(biāo)概念的結(jié)構(gòu)由無向圖G(V,E)表示,其中V、E分別為圖的點(diǎn)集和邊集。圖的第i個(gè)結(jié)點(diǎn)vi?V對(duì)應(yīng)于數(shù)據(jù)集中的第i個(gè)樣本xi,邊eii′?E的權(quán)重Wii′對(duì)應(yīng)于第i個(gè)樣本和第i′個(gè)樣本的相似度Sii′(1≤i,i′≤n)。對(duì)于所給定的圖G,其鄰接矩陣W和度矩陣D為:

    則相應(yīng)的拉普拉斯矩陣L和正則化的拉普拉斯矩陣L為:

    而譜特征選擇算法將選擇那些與目標(biāo)概念結(jié)構(gòu)一致的特征,即選擇那些使得式(3)取較小值的特征:

    其中fmT為fm的轉(zhuǎn)置。又因?yàn)閒m和L的范數(shù)會(huì)影響φ(Fm)的取值,所以還需對(duì)fm與L進(jìn)行正則化,即:

    其中‖·‖表示2-范數(shù),且

    譜特征選擇算法的偽代碼如算法1所示。

    算法1譜特征選擇框架

    輸入:X,Y,φ(×)

    輸出:SFSPEC-排序后的特征列表

    1.依據(jù)X、Y計(jì)算每兩個(gè)樣本間的相似度Sii′(1≤i,i′≤n)

    2.依據(jù)相似度構(gòu)建圖G并獲得式(1)、(2)中定義的W、D、L

    3. For每個(gè)特征Fm(1≤m≤d) do

    4.SFSPEC(m)?φ(Fm)

    5. End for

    6.將SFSPEC按升序排列

    返回SFSPEC

    3.2多標(biāo)記問題目標(biāo)概念的圖結(jié)構(gòu)

    如3.1節(jié)所述,譜特征選擇用無向圖來表示目標(biāo)概念的結(jié)構(gòu),那么要將傳統(tǒng)的譜特征選擇應(yīng)用于多標(biāo)記學(xué)習(xí),也需要用無向圖來表示多標(biāo)記問題的目標(biāo)概念結(jié)構(gòu)。圖2作為圖1的拓展,給出了多標(biāo)記問題的目標(biāo)概念(類標(biāo))結(jié)構(gòu)。F1表示數(shù)據(jù)的某一特征。每個(gè)圖形(叉、三角、圓圈和星)表示一個(gè)樣本,圖形的不同形狀表示這些樣本在特征F1上的不同取值。橢圓A、B、C表示3個(gè)不同的目標(biāo)概念區(qū)域。多標(biāo)記學(xué)習(xí)的目標(biāo)就是將樣本正確分配到各個(gè)橢圓(類標(biāo))中。其中橢圓D是一個(gè)特殊的目標(biāo)概念區(qū)域,落在D中的樣本表示其不與任何類標(biāo)相關(guān)聯(lián)。顯然,多標(biāo)記問題和傳統(tǒng)單標(biāo)記問題的目標(biāo)結(jié)構(gòu)的主要區(qū)別在于:多標(biāo)記問題的兩個(gè)不同概念(類標(biāo))間可能存在交集,即一個(gè)樣本可以同時(shí)屬于多個(gè)概念(與多個(gè)類標(biāo)相關(guān)聯(lián))。此外,落在兩個(gè)概念(類標(biāo))相交區(qū)域中的樣本越多,則這兩個(gè)概念(類標(biāo))同時(shí)出現(xiàn)的可能性就越大,它們?cè)娇赡苁窍嗷ヒ蕾嚨摹O喾?,如果交集區(qū)域中幾乎沒有樣本,那么相關(guān)的概念(類標(biāo))越可能是互斥的關(guān)系。例如在圖2中,A和B交集區(qū)域中存在少量樣本,因此一個(gè)樣本可能同時(shí)與A和B相關(guān)聯(lián),而C與A和B間均不存在交集,它們可能為互斥的關(guān)系,即一個(gè)樣本與C相關(guān)聯(lián)則不會(huì)再與A或B相關(guān)聯(lián)。同時(shí),圖2中與相同類標(biāo)相關(guān)聯(lián)的樣本(落在同一區(qū)域中的樣本)在特征F1上取值相同,而與不同類標(biāo)相關(guān)聯(lián)的樣本(落在不同區(qū)域的樣本)在特征F1上取值不同,因此特征F1對(duì)此結(jié)構(gòu)圖中所描述的多標(biāo)記問題具有很好的判別性。

    Fig.2 Target concept of a multi-label learning problem圖2 多標(biāo)記問題的目標(biāo)概念結(jié)構(gòu)圖

    基于上述分析,譜特征選擇中使用到的目標(biāo)概念的結(jié)構(gòu)圖也能很好地描述類標(biāo)間的關(guān)聯(lián)信息,那些取值分布與目標(biāo)概念的結(jié)構(gòu)一致的特征通常具有很好的判別性,因此,可以自然地對(duì)常規(guī)譜特征選擇算法進(jìn)行拓展,以用于處理多標(biāo)記學(xué)習(xí)的特征選擇問題。

    3.3多標(biāo)記問題樣本相似度的定義

    要構(gòu)建目標(biāo)概念的結(jié)構(gòu)圖,就需要計(jì)算樣本間的相似度。在傳統(tǒng)的譜特征選擇算法中,通常用式(5)或式(6)來定義樣本的相似度。式(5)用于監(jiān)督學(xué)習(xí),其中nc為屬于類別c的樣本的個(gè)數(shù),式(6)是徑向基(radial basis function,RBF)核函數(shù),通常用于無監(jiān)督學(xué)習(xí)。

    這兩種相似度的定義在多標(biāo)記問題中均無法直接使用。對(duì)于式(5),因?yàn)槎鄻?biāo)記問題中每個(gè)樣本可以同時(shí)與多個(gè)類標(biāo)相關(guān)聯(lián),即同時(shí)屬于多個(gè)類別,所以無法確定nc的值。而對(duì)于式(6),它本身用于無監(jiān)督學(xué)習(xí),并沒有使用相應(yīng)的監(jiān)督信息(類標(biāo)信息)。為了有效定義樣本的相似性,一種直觀的解決方案是對(duì)式(6)進(jìn)行修改:

    然而,RBF核函數(shù)中通常是依據(jù)類標(biāo)集合在歐氏空間中的距離來度量樣本相似性的,這類距離并不能很好地度量類標(biāo)集合之間的相似度。例如,假設(shè)類標(biāo)集合為Y={y1,y2,y3}以及4個(gè)樣本(x1,y1),(x2,y2),(x3,y3),(x4,y4),其中y1=(1,1,1),y2=(0,1,1),y3=(1,0,0),y4=(0,0,0),那么依據(jù)式(7)有S12=S34=e-1/(2δ2)。但是這4個(gè)樣本的目標(biāo)結(jié)構(gòu)如圖3所示。因?yàn)闃颖?x1,y1)與樣本(x2,y2)有兩個(gè)共同的類標(biāo)y2和y3,它們落在了y2和y3的交集中,而樣本(x3,y3)和樣本(x4,y4)并沒有共同關(guān)聯(lián)的類標(biāo),它們屬于圖中兩個(gè)不相交的區(qū)域,由此直觀上可得出S12>S34=0。這與依據(jù)式(7)計(jì)算所得的結(jié)果并不一致。

    Fig.3 Label structure of instances圖3 樣本的類標(biāo)結(jié)構(gòu)示例

    因此,將利用Jaccard相似度(式(8))來度量兩個(gè)樣本間的相似度。依據(jù)式(8),Sii′?[0,1],兩個(gè)樣本共同關(guān)聯(lián)的類標(biāo)越多,Sii′越接近1。當(dāng)每個(gè)樣本最多只能與1個(gè)類標(biāo)相關(guān)聯(lián)時(shí),多標(biāo)記問題就退化為傳統(tǒng)的單標(biāo)記多類問題,式(8)也相應(yīng)地變?yōu)槭剑?),而它剛好是傳統(tǒng)單標(biāo)記問題中所使用的相似度式(5)的特例。

    3.4與wrapper-SPEC的聯(lián)系

    傳統(tǒng)的譜特征選擇適用于單標(biāo)記問題,可以將多標(biāo)記問題經(jīng)某種轉(zhuǎn)化策略轉(zhuǎn)化為若干單標(biāo)記問題后,再對(duì)各單標(biāo)記問題使用傳統(tǒng)的譜特征選擇。不過此時(shí)的特征選擇已經(jīng)依賴于問題轉(zhuǎn)化策略,屬于封裝器模型,不妨稱這類算法為wrapper-SPEC。而由式(8)確定了樣本間的相似度后,可直接根據(jù)算法1對(duì)多標(biāo)記數(shù)據(jù)進(jìn)行特征選擇。此時(shí)算法不依賴于特定的分類算法或問題轉(zhuǎn)化策略,屬于過濾器模型,稱其為filter-SPEC。用filter-SPEC和wrapper-SPEC進(jìn)行特征選擇和分類的過程見圖4和圖5。

    Fig.4 Progress of feature selection and classification of filter-SPEC圖4 利用filter-SPEC進(jìn)行特征選擇和分類

    此外,filter-SPEC所選出的特征對(duì)經(jīng)過轉(zhuǎn)化得到的單標(biāo)記問題依然具有判別性,因此與wrapper-SPEC在每個(gè)單標(biāo)記問題上所選出的特征密切相關(guān)。例如,圖6中的每個(gè)圖形(叉、三角、圓圈和星)表示一個(gè)樣本,不同形狀表示不同樣本對(duì)同一特征的不同取值,其分布與目標(biāo)概念(類標(biāo))的結(jié)構(gòu)一致,因此filter-SPEC會(huì)選出該特征。

    Fig.5 Progress of feature selection and classification of wrapper-SPEC圖5 利用wrapper-SPEC進(jìn)行特征選擇和分類

    Fig.6 Target graph of a multi-label learning problem圖6 多標(biāo)記問題的目標(biāo)概念結(jié)構(gòu)圖

    而在wrapper-SPEC中,如果利用一階算法的轉(zhuǎn)化策略將多標(biāo)記問題轉(zhuǎn)化為單標(biāo)記問題(對(duì)每個(gè)類標(biāo)分別進(jìn)行處理),則圖6所介紹的多標(biāo)記數(shù)據(jù)可轉(zhuǎn)化成3個(gè)單標(biāo)記問題,即對(duì)A/-A、B/-B和C/-C的分類。同時(shí),該策略可視為將圖6中的目標(biāo)概念圖G分解,得到圖G1'、圖G2'和圖G3' 3個(gè)子目標(biāo)概念圖,如圖7所示。此外,在wrapper-SPEC中,如果利用二階策略將原始多標(biāo)記問題轉(zhuǎn)化為對(duì)A/B、A/C和B/C的二分類單標(biāo)記問題,則該策略同樣可將圖G進(jìn)行分解,得到如圖8所示的目標(biāo)概念子圖。不難得到由filter-SPEC所選出的特征對(duì)轉(zhuǎn)化所得的單標(biāo)記子問題仍然具有判別性。

    在計(jì)算復(fù)雜度上,filter-SPEC的計(jì)算復(fù)雜度為Tfilter= O(n2(q+d)),采用一階轉(zhuǎn)化策略的wrapper-SPEC的計(jì)算復(fù)雜度為T1-order=O(n2(1+d)q),采用二階轉(zhuǎn)化策略的wrapper- SPEC的計(jì)算復(fù)雜度為T2-order=O(n2(1+d)q(q-1))。顯然,Tfilter

    Fig.7 Target graphs transformed by the first order strategy圖7 一階策略轉(zhuǎn)化后的目標(biāo)結(jié)構(gòu)

    Fig.8 Target graphs transformed by the second order strategy圖8 二階策略轉(zhuǎn)化后的目標(biāo)結(jié)構(gòu)

    4 實(shí)驗(yàn)

    為了驗(yàn)證上述算法的有效性,在現(xiàn)實(shí)世界數(shù)據(jù)集上比較了filter-SPEC和其他封裝器模型算法的性能。對(duì)于filter-SPEC,分別使用式(7)(filter-SPEC-RBF)和式(8)(filter-SPEC-Jaccard)計(jì)算樣本相似度。對(duì)于封裝器模型,除了wrapper-SPEC外,還使用了具有代表性的Relief算法。雖然Relief在處理單標(biāo)記問題時(shí)屬于過濾器模型,但應(yīng)用于多標(biāo)記問題時(shí),它依賴于特定的問題轉(zhuǎn)化策略[18],因此不妨稱用于多標(biāo)記問題的Relief為wrapper-Relief。所有實(shí)驗(yàn)在Matlab仿真環(huán)境下進(jìn)行,使用Intel酷睿i7 2720QM CPU,4 GB內(nèi)存。

    4.1數(shù)據(jù)集

    為了驗(yàn)證算法的性能,在4個(gè)來自不同領(lǐng)域的基準(zhǔn)數(shù)據(jù)集上進(jìn)行了相關(guān)實(shí)驗(yàn)。表1給出了實(shí)驗(yàn)數(shù)據(jù)集的詳細(xì)信息。

    Table 1 Summary of data sets表1 實(shí)驗(yàn)數(shù)據(jù)信息

    4.2多標(biāo)記學(xué)習(xí)算法

    為了驗(yàn)證選擇出的特征的性能,分別采用ML-kNN 和Calibrated Label Ranking作為多標(biāo)記分類算法。這兩種算法分別基于一階策略和二階策略將多標(biāo)記問題轉(zhuǎn)化為單標(biāo)記問題,如文獻(xiàn)[6,17,22-25]等一些多標(biāo)記分類算法和特征選擇算法都是在它們的基礎(chǔ)上發(fā)展而來,因此具有一定代表性。

    4.2.1ML-kNN

    ML-kNN[4]屬于一階算法,它依次對(duì)多標(biāo)記問題的每個(gè)類標(biāo)進(jìn)行分類,并最終給出與樣本相關(guān)的類標(biāo)集合,即ML-kNN為h:X?2Y的一種實(shí)現(xiàn)。本文采用漢明損失衡量ML-kNN的性能,其定義見式(10):

    式(10)中p為測試樣本個(gè)數(shù);q為類標(biāo)個(gè)數(shù);?為異或操作。漢明損失越小表明所用的特征選擇算法性能越優(yōu)秀。實(shí)驗(yàn)結(jié)果見圖9。

    經(jīng)過10次交叉驗(yàn)證后的實(shí)驗(yàn)結(jié)果如圖9所示,其中橫軸表示所選取的特征個(gè)數(shù)占原始特征維數(shù)的百分比,縱軸為漢明損失的值。其中水平線base為未進(jìn)行任何特征選擇時(shí)ML-kNN的分類性能。實(shí)驗(yàn)結(jié)果表明利用Jaccard相似度的filter-SPEC能取得最優(yōu)性能,而wrapper-SPEC和使用RBF核函數(shù)的filter-SPEC性能較差。

    Fig.9 Results of ML-kNN圖9 ML-kNN算法實(shí)驗(yàn)結(jié)果

    4.2.2Calibrated Label Ranking

    Calibrated Label Ranking[5]屬于二階算法。它將多標(biāo)記問題的類標(biāo)兩兩組合轉(zhuǎn)化得到q(q-1)/2個(gè)單標(biāo)記二分類問題,再根據(jù)這些單標(biāo)記問題的分類結(jié)果對(duì)類標(biāo)排序,某類標(biāo)票數(shù)越多樣本越可能和該類標(biāo)相關(guān)聯(lián)。顯然,該算法為h′:X′Y?R的一種實(shí)現(xiàn)。

    因?yàn)樵撍惴ǖ妮敵霾⒉皇蔷唧w的類標(biāo)集合而是類標(biāo)的排序,所以使用平均精確率而非漢明損失來衡量算法的性能,其定義為:

    其中,rank(yj)為第j個(gè)類標(biāo)在輸出中所排的位次,該指標(biāo)的范圍是[0,1],越接近1表明算法性能越好。

    本實(shí)驗(yàn)中使用SVM+RBF kernel作為轉(zhuǎn)換后單標(biāo)記問題的分類器。在基準(zhǔn)數(shù)據(jù)集上利用10次交叉驗(yàn)證后的實(shí)驗(yàn)結(jié)果如圖10所示,橫軸表示選取的特征個(gè)數(shù)與原始特征維數(shù)的百分比,縱軸為平均精確率。其中水平線base為未進(jìn)行特征選擇時(shí)Calibrated Label Ranking的分類性能。實(shí)驗(yàn)結(jié)果表明filter-SPEC、wrapper-Relief和wrapper-SPEC具有相似的分類性能。但耗時(shí)上,medical數(shù)據(jù)集上filter-SPEC所用的平均時(shí)間為53.880 7 s,而wrapper-Relief為91.831 5 s,wrapper-SPEC為132.513 2 s;在yeast數(shù)據(jù)集上,filter-SPEC、wrapper-Relief和wrapper-SPEC的平均耗時(shí)分別為81.816 1 s、90.579 3 s和138.429 8 s。emotions數(shù)據(jù)集上各算法耗時(shí)均小于3 s,tmc2007數(shù)據(jù)集上各算法均沒能在10 h內(nèi)完成,故沒有列出詳細(xì)的運(yùn)行時(shí)間。如上文所述,因?yàn)樾枰獙?duì)轉(zhuǎn)化后的單標(biāo)記問題依次進(jìn)行特征選擇,wrapper-SPEC的計(jì)算復(fù)雜度大于filter-SPEC的計(jì)算復(fù)雜度。并且此處wrapper-Relief的計(jì)算復(fù)雜度為O((n2+nd)q(q-1)),也大于filter-SPEC的計(jì)算復(fù)雜度。因此filter-SPEC在計(jì)算復(fù)雜度上更具競爭力。

    Fig.10 Results of Calibrated Label Ranking圖10 Calibrated Label Ranking實(shí)驗(yàn)結(jié)果

    4.3結(jié)果分析

    已有文獻(xiàn)表明[2,11-12],基于封裝器模型所選出的特征在分類性能上通常要優(yōu)于基于過濾器模型所選出的特征,但封裝器模型受限于計(jì)算復(fù)雜度和所采用的分類算法。而上述實(shí)驗(yàn)結(jié)果表明,在基準(zhǔn)數(shù)據(jù)集上,本文改進(jìn)的譜特征選擇算法(filter-SPEC)與依賴于問題轉(zhuǎn)化的多標(biāo)記特征選擇算法(封裝器模型)相比,在更低的計(jì)算復(fù)雜度下卻取得了相似或更為優(yōu)秀的分類性能。這主要是因?yàn)椋阂环矫嫠鶚?gòu)建的概念圖很好地反應(yīng)了樣本結(jié)構(gòu)和類標(biāo)的關(guān)聯(lián)信息,從而保證了所選特征的分類性能;另一方面,在用filter-SPEC選出特征后依舊采用了一階和二階分類算法,這些算法仍是將多標(biāo)記問題轉(zhuǎn)化為單標(biāo)記問題后再進(jìn)行分類,這一過程并不能很好地利用原始數(shù)據(jù)集上樣本的結(jié)構(gòu)和類標(biāo)的關(guān)聯(lián)信息,使得filter-SPEC所選特征和封裝器模型所選特征取得了相似的分類性能。

    5 結(jié)束語

    多標(biāo)記學(xué)習(xí)的特征選擇問題開始引起來自多標(biāo)記學(xué)習(xí)領(lǐng)域和特征選擇領(lǐng)域的研究人員的關(guān)注,盡管已經(jīng)提出了一些用于多標(biāo)記學(xué)習(xí)問題的特征選擇算法,但它們大都屬于封裝器模型,具有較高的時(shí)間復(fù)雜度。本文對(duì)傳統(tǒng)的譜特征選擇框架進(jìn)行改進(jìn),以便能有效處理多標(biāo)記問題的特征選擇。所提出的基于圖譜的特征選擇算法屬于過濾器模型,不依賴于具體的多標(biāo)記分類算法或問題轉(zhuǎn)化策略。理論分析和實(shí)驗(yàn)結(jié)果表明,本文算法具有與封裝器模型相似或更好的性能,且時(shí)間開銷較少。鑒于圖譜能很好地描述類標(biāo)間的關(guān)聯(lián)信息,在未來工作中,將圖譜理論應(yīng)用于多標(biāo)記學(xué)習(xí)的整個(gè)過程中,而不僅限于特征選擇。

    References:

    [1] Zhou Zhihua, Zhang Minling. Multi-instance multi-label learning with application to scene classification[C]//Advances in Neural Information Processing Systems 19: Proceedings of the 20th Annual Conference on Neural Information Processing Systems, Vancouver, Canada, Dec 4-7, 2006. Cambridge, USA: MIT Press, 2007: 1609-1616.

    [2] Zhao Zheng, Liu Huan. Spectral feature selection for supervised and unsupervised learning[C]//Proceedings of the 24th International Conference on Machine Learning, Corvallis, USA, 2007. New York, USA:ACM, 2007: 1151-1157.

    [3] Zhang Minling, Zhou Zhihua.Areview on multi-label learning algorithms[J]. IEEE Transactions on Knowledge and Data Engineering, 2014, 26(8): 1819-1837.

    [4] Zhang Minling, Zhou Zhihua. ML-KNN: a lazy learning approach to multi- label learning[J]. Pattern Recognition, 2007, 40(7): 2038-2048.

    [5] Fürnkranz J, Hüllermeier E, Mencía E L, et al. Multilabel classification via calibrated label ranking[J]. Machine Learning, 2008, 73(2): 133-153.

    [6] Elisseeff A, Weston J. A kernel method for multi-labelled classification[C]//Advances in Neural Information Processing Systems 14: Proceedings of the 2002 Annual Conference on Neural Information Processing Systems, Vancouver, Canada, Dec 9-14, 2002. Cambridge, USA: MITPress, 2003: 681-687.

    [7] Read J, Pfahringer B, Holmes G, et al. Classifier chains for multi-label classification[J]. Machine Learning, 2011, 85(3): 333-359.

    [8] Sanden C, Zhang J Z. Enhancing multi-label music genre classification through ensemble techniques[C]//Proceedings of the 34th International ACM SIGIR Conference on Research and Development in Information Retrieval, Beijing, Jul 24-28, 2011. New York, USA:ACM, 2011: 705-714.

    [9] Tsoumakas G, Katakis I, Vlahavas I. Random k-labelsets for multilabel classification[J]. IEEE Transactions on Knowledge and Data Engineering, 2011, 23(7): 1079-1089.

    [10] Tsoumakas G, Vlahavas I. Random k-labelsets: an ensemble method for multilabel classification[C]//LNCS 4701: Proceedings of the 18th European Conference on Machine Learning, Warsaw, Poland, Sep 17-21, 2007. Berlin, Heidelberg: Springer, 2007: 406-417.

    [11] Tang Jiliang,Alelyani S, Liu Huan. Feature selection for classification: a review[J/OL]. (2014)[2015-03-01]. http://www. public.asu.edu/~jtang20/publication/feature_selection_for_ classification.pdf.

    [12]Alelyani S, Tang Jiliang, Liu Huan. Feature selection for clustering: a review[J/OL]. (2013)[2015-03-01]. http://www.public.asu.edu/~jtang20/publication/FSClustering.pdf.

    [13] Robnik-?ikonja M, Kononenko I. Theoretical and empirical analysis of ReliefF and RReliefF[J]. Machine Learning, 2003, 53(1/2): 23-69.

    [14] Duda R O, Hart P E, Stork D G. Pattern classification[M]. Hoboken, USA: John Wiley & Sons, 2012.

    [15] Zhang M L, Pe?a J M, Robles V. Feature selection for multilabel naive Bayes classification[J]. Information Sciences, 2009, 179(19): 3218-3229.

    [16] Doquire G, Verleysen M. Feature selection for multi-label classification problems[C]//LNCS 6691: Proceedings of the 11th International Work- Conference on Artificial Neural Networks, Torremolinos- Málaga, Spain, Jun 8- 10, 2011. Berlin, Heidelberg: Springer, 2011: 9-16.

    [17] Gu Quanquan, Li Zhenhui, Han Jiawei. Correlated multi-label feature selection[C]//Proceedings of the 20th ACM International Conference on Information and Knowledge Management, Glasgow, UK, Oct 24-28, 2011. New York, USA:ACM, 2011: 1087-1096.

    [18] Kong Deguang, Ding C H Q, Huang Heng, et al. Multi-label ReliefF and F-statistic feature selections for image annotation[C]//Proceedings of the 2012 IEEE Conference on Computer Vision and Pattern Recognition, Providence, USA, Jun 16-21, 2012. Piscataway, USA: IEEE, 2012: 2352-2359.

    [19] Huang Shengjun, Zhou Zhihua. Multi-label learning by exploiting label correlations locally[C]//Proceedings of the 26th AAAI Conference on Artificial Intelligence, Toronto,Canada, 2012. Menlo Park, USA:AAAI, 2012: 949-955.

    [20] Tsoumakas G, Katakis I, Vlahavas I. Effective and efficient multilabel classification in domains with large number of labels[C]//Proceedings of the ECML/PKDD 2008 Workshop on Mining Multidimensional Data, 2008: 30-44.

    [21] Zhao ZA,Liu Huan.Spectralfeatureselectionfordatamining[M]. Boca Raton, USA: CRC Press, 2011.

    [22] Madjarov G, Gjorgjevikj D, Delev T. Efficient two stage voting architecture for pairwise multi-label classification[C]// LNCS 6464: Proceedings of the 23rd Australasian Joint Conference on Artificial Intelligence, Adelaide, Australia, Dec 7-10, 2010. Berlin, Heidelberg: Springer, 2011: 164-173.

    [23] Madjarov G, Gjorgjevikj D, D?eroski S. Two stage architecture for multi-label learning[J]. Pattern Recognition, 2012, 45(3): 1019-1034.

    [24] Cheng Weiwei, Hüllermeier E, Dembczynski K J. Bayes optimal multilabel classification via probabilistic classifier chains[C]//Proceedings of the 27th International Conference on Machine Learning, Haifa, Israel, 2010: 279-286.

    [25] Zhang Minling, Zhang Kun. Multi-label learning by exploiting label dependency[C]//Proceedings of the 16th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, Washington, USA, Jul 25-28, 2010. New York, USA: ACM, 2010: 999-1008.

    YAN Peng was born in 1990. He is an M.S. candidate at Nanjing University of Posts and Telecommunications. His research interests include machine learning and pattern recognition, etc.

    嚴(yán)鵬(1990—),男,江蘇南京人,南京郵電大學(xué)碩士研究生,主要研究領(lǐng)域?yàn)闄C(jī)器學(xué)習(xí),模式識(shí)別等。

    LI Yun was born in 1974. He received the Ph.D. degree from Chongqing University in 2005. Now he is a professor at Nanjing University of Posts and Telecommunications, and the member of CCF. His research interests include machine learning and pattern recognition, etc.

    李云(1974—),男,2005年于重慶大學(xué)獲得博士學(xué)位,現(xiàn)為南京郵電大學(xué)教授,CCF會(huì)員,主要研究領(lǐng)域?yàn)闄C(jī)器學(xué)習(xí),模式識(shí)別等。

    Spectral Theory Based Multi-Label Feature Selection?

    YAN Peng, LI Yun+
    School of Computer Science, Nanjing University of Posts and Telecommunications, Nanjing 210023, China

    + Corresponding author: E-mail: liyun@njupt.edu.cn

    YAN Peng, LI Yun. Spectral theory based multi-label feature selection. Journal of Frontiers of Computer Science and Technology, 2016, 10(4):543-553.

    Abstract:Feature selection has been deeply studied in traditional single label problem. When it comes to multi-label problem, most of traditional feature selection algorithms for single label problem are not able to be applied directly, since instances in multi-label problems are associated with several labels simultaneously, new criteria to evaluate features are needed. Because of the correlations among several labels, new methods to model labels structure are needed for using the correlation information when designing feature selection algorithm. This paper uses the spectral feature selection (SPEC) framework to handle multi-label problem and uses Jaccard similarity to construct the similarity matrix and the target graph in SPEC for multi-label problem. This method is under filter model, which is different from the wrapper model. The latter always transforms the multi-label problem into some single label problems, and traditional feature selection algorithm is applied to these single label problems. The experiments on real world data sets demonstrate the correctness and high performance of the proposed algorithm.

    Key words:multi-label learning; spectral feature selection; label correlation

    文獻(xiàn)標(biāo)志碼:A

    中圖分類號(hào):TP181

    doi:10.3778/j.issn.1673-9418.1505064

    丰满少妇做爰视频| 国产一区二区三区综合在线观看| 亚洲欧美精品自产自拍| 国产欧美日韩一区二区精品| 国产精品 欧美亚洲| 亚洲中文日韩欧美视频| 国产一级毛片在线| 日韩精品免费视频一区二区三区| 欧美日韩亚洲综合一区二区三区_| 国产欧美日韩一区二区精品| 我的亚洲天堂| 亚洲精品一卡2卡三卡4卡5卡 | a级片在线免费高清观看视频| 香蕉丝袜av| 香蕉国产在线看| 美女扒开内裤让男人捅视频| 人妻人人澡人人爽人人| 人人妻,人人澡人人爽秒播| 亚洲av美国av| 欧美精品一区二区大全| 久久久久久亚洲精品国产蜜桃av| 免费在线观看日本一区| 一区二区三区激情视频| kizo精华| 欧美日韩成人在线一区二区| 中文字幕最新亚洲高清| 久热爱精品视频在线9| 新久久久久国产一级毛片| 成年人免费黄色播放视频| 麻豆av在线久日| 精品久久蜜臀av无| 亚洲欧美清纯卡通| 啦啦啦免费观看视频1| 视频区欧美日本亚洲| 欧美日韩成人在线一区二区| 中国国产av一级| a级毛片黄视频| 男女午夜视频在线观看| 十八禁网站网址无遮挡| 波多野结衣一区麻豆| 精品一区在线观看国产| 不卡av一区二区三区| 亚洲国产成人一精品久久久| 日本黄色日本黄色录像| 一区在线观看完整版| av福利片在线| 人人妻人人添人人爽欧美一区卜| 天堂俺去俺来也www色官网| 精品人妻在线不人妻| 亚洲精品国产精品久久久不卡| 一区二区三区精品91| 欧美另类一区| 国产精品1区2区在线观看. | 真人做人爱边吃奶动态| 日本五十路高清| 亚洲精品国产精品久久久不卡| 久久九九热精品免费| 老司机福利观看| 热99国产精品久久久久久7| 丁香六月天网| 国产免费福利视频在线观看| 爱豆传媒免费全集在线观看| 亚洲一区中文字幕在线| 久热这里只有精品99| 永久免费av网站大全| 大码成人一级视频| 狂野欧美激情性bbbbbb| 亚洲,欧美精品.| 亚洲精品自拍成人| 成人18禁高潮啪啪吃奶动态图| 又紧又爽又黄一区二区| 精品人妻在线不人妻| 电影成人av| 午夜成年电影在线免费观看| 不卡一级毛片| 亚洲中文av在线| 别揉我奶头~嗯~啊~动态视频 | 中文字幕另类日韩欧美亚洲嫩草| 午夜激情久久久久久久| 久热爱精品视频在线9| 午夜福利一区二区在线看| 亚洲黑人精品在线| 欧美少妇被猛烈插入视频| 国产亚洲精品一区二区www | 亚洲精品成人av观看孕妇| 一区福利在线观看| 性色av乱码一区二区三区2| 亚洲精品久久久久久婷婷小说| 制服人妻中文乱码| 亚洲国产成人一精品久久久| 欧美激情高清一区二区三区| 老司机午夜福利在线观看视频 | 妹子高潮喷水视频| 国产精品.久久久| 如日韩欧美国产精品一区二区三区| 欧美久久黑人一区二区| 999久久久精品免费观看国产| 男女床上黄色一级片免费看| 国产成人一区二区三区免费视频网站| 久久国产亚洲av麻豆专区| 成人av一区二区三区在线看 | 99九九在线精品视频| 好男人电影高清在线观看| 五月开心婷婷网| 99精品久久久久人妻精品| 国产成人av激情在线播放| 不卡一级毛片| 国产精品自产拍在线观看55亚洲 | 成人手机av| 人人妻人人添人人爽欧美一区卜| 国产精品影院久久| 亚洲欧美精品自产自拍| 中文字幕最新亚洲高清| 三上悠亚av全集在线观看| 国产三级黄色录像| 欧美一级毛片孕妇| 激情视频va一区二区三区| 午夜福利,免费看| 久久香蕉激情| 9191精品国产免费久久| 久久精品熟女亚洲av麻豆精品| 国产精品久久久久久人妻精品电影 | 一区二区av电影网| 国产成+人综合+亚洲专区| 国产一区有黄有色的免费视频| 最近最新中文字幕大全免费视频| 久久综合国产亚洲精品| 国产日韩欧美亚洲二区| 日韩大码丰满熟妇| 亚洲中文日韩欧美视频| 国产精品国产av在线观看| 成年人黄色毛片网站| 一级毛片精品| 精品一区二区三卡| 最黄视频免费看| 咕卡用的链子| 91麻豆精品激情在线观看国产 | 欧美av亚洲av综合av国产av| 一区二区三区精品91| 少妇猛男粗大的猛烈进出视频| 亚洲成人免费av在线播放| 精品福利永久在线观看| 国产成人免费无遮挡视频| 亚洲国产毛片av蜜桃av| 两性夫妻黄色片| 亚洲国产欧美网| 少妇精品久久久久久久| 香蕉国产在线看| 精品国产国语对白av| 天天躁狠狠躁夜夜躁狠狠躁| 成年人黄色毛片网站| 9191精品国产免费久久| 久久av网站| 日本一区二区免费在线视频| 女性被躁到高潮视频| 日韩欧美一区视频在线观看| 操出白浆在线播放| 日韩免费高清中文字幕av| 在线观看人妻少妇| 国产av一区二区精品久久| 免费看十八禁软件| 久久国产精品人妻蜜桃| 午夜激情av网站| 99国产精品免费福利视频| 国产黄色免费在线视频| 50天的宝宝边吃奶边哭怎么回事| 老汉色∧v一级毛片| 国产不卡av网站在线观看| 亚洲av国产av综合av卡| 亚洲欧美日韩高清在线视频 | 超碰97精品在线观看| 久热这里只有精品99| 最近最新中文字幕大全免费视频| 啦啦啦视频在线资源免费观看| 久久久精品区二区三区| 天堂中文最新版在线下载| 成人国产av品久久久| 岛国在线观看网站| 成年动漫av网址| 两性夫妻黄色片| 成人影院久久| 午夜视频精品福利| 狠狠狠狠99中文字幕| 爱豆传媒免费全集在线观看| 又黄又粗又硬又大视频| 在线天堂中文资源库| 69精品国产乱码久久久| 精品国产乱子伦一区二区三区 | 狠狠狠狠99中文字幕| 制服人妻中文乱码| 97精品久久久久久久久久精品| av欧美777| 精品国产乱码久久久久久男人| 极品人妻少妇av视频| 午夜日韩欧美国产| 啦啦啦免费观看视频1| 制服诱惑二区| 色播在线永久视频| 日韩欧美国产一区二区入口| 中文字幕人妻丝袜制服| 免费av中文字幕在线| 久久久久久久国产电影| 国产有黄有色有爽视频| 久久久久国产一级毛片高清牌| 一本久久精品| 欧美精品高潮呻吟av久久| 国产有黄有色有爽视频| 色综合欧美亚洲国产小说| 999久久久精品免费观看国产| 亚洲成av片中文字幕在线观看| 91国产中文字幕| 久久久久久久久免费视频了| 国产亚洲av高清不卡| 国产精品久久久人人做人人爽| 精品国产乱码久久久久久小说| 国产99久久九九免费精品| 国产欧美日韩一区二区三区在线| 天天添夜夜摸| 国产亚洲欧美精品永久| 成年人午夜在线观看视频| 国产精品麻豆人妻色哟哟久久| 久久性视频一级片| 国产99久久九九免费精品| 免费在线观看影片大全网站| 成人亚洲精品一区在线观看| 国产一区二区三区av在线| 看免费av毛片| 91字幕亚洲| 美女大奶头黄色视频| 大片电影免费在线观看免费| 777久久人妻少妇嫩草av网站| 一区二区日韩欧美中文字幕| 麻豆国产av国片精品| 脱女人内裤的视频| 久久久国产欧美日韩av| 日韩大码丰满熟妇| 男女国产视频网站| 超碰97精品在线观看| 国产欧美日韩精品亚洲av| 国产欧美日韩一区二区精品| 国产1区2区3区精品| h视频一区二区三区| 亚洲国产欧美一区二区综合| 黄色a级毛片大全视频| 超碰97精品在线观看| 亚洲精品国产精品久久久不卡| 欧美国产精品一级二级三级| 飞空精品影院首页| 国产av精品麻豆| 日本撒尿小便嘘嘘汇集6| 欧美乱码精品一区二区三区| 国产精品香港三级国产av潘金莲| 国产熟女午夜一区二区三区| 在线观看舔阴道视频| av在线老鸭窝| 午夜福利在线观看吧| 久久ye,这里只有精品| 国产视频一区二区在线看| 亚洲精品美女久久久久99蜜臀| 成人黄色视频免费在线看| av不卡在线播放| kizo精华| 久久久精品国产亚洲av高清涩受| 久久久久网色| 黄色视频不卡| 中文精品一卡2卡3卡4更新| 精品福利观看| 精品少妇黑人巨大在线播放| 亚洲av男天堂| www.自偷自拍.com| 肉色欧美久久久久久久蜜桃| 中国国产av一级| 美女视频免费永久观看网站| 日韩视频一区二区在线观看| 高清av免费在线| 国产亚洲av高清不卡| 99国产精品免费福利视频| 国产极品粉嫩免费观看在线| 在线观看www视频免费| 黄色视频不卡| 精品一区二区三区四区五区乱码| 午夜福利影视在线免费观看| 久久狼人影院| 久久九九热精品免费| 久久国产亚洲av麻豆专区| 欧美激情 高清一区二区三区| 欧美日韩一级在线毛片| 99九九在线精品视频| avwww免费| 超色免费av| 啦啦啦中文免费视频观看日本| 精品亚洲乱码少妇综合久久| 两性夫妻黄色片| 日韩 亚洲 欧美在线| 精品人妻熟女毛片av久久网站| 久久久精品国产亚洲av高清涩受| a 毛片基地| a级片在线免费高清观看视频| 久久精品久久久久久噜噜老黄| 日韩一区二区三区影片| videosex国产| 欧美中文综合在线视频| 99久久人妻综合| 中文欧美无线码| 丝袜美足系列| 国产精品久久久人人做人人爽| 香蕉国产在线看| 91九色精品人成在线观看| 亚洲成av片中文字幕在线观看| 十分钟在线观看高清视频www| 丝袜脚勾引网站| 国产在线视频一区二区| 亚洲欧洲日产国产| 精品一品国产午夜福利视频| 香蕉国产在线看| 一本久久精品| 久久av网站| 国产精品一区二区在线观看99| 黑人欧美特级aaaaaa片| 国产又色又爽无遮挡免| 一本色道久久久久久精品综合| 成年av动漫网址| 亚洲黑人精品在线| 亚洲va日本ⅴa欧美va伊人久久 | 久久天躁狠狠躁夜夜2o2o| 一本综合久久免费| 日韩,欧美,国产一区二区三区| 欧美精品av麻豆av| 在线观看一区二区三区激情| 国产色视频综合| 亚洲欧美激情在线| 日韩视频一区二区在线观看| 国产成人a∨麻豆精品| 亚洲精品久久成人aⅴ小说| 成人黄色视频免费在线看| 国产精品一二三区在线看| 成在线人永久免费视频| 在线观看免费高清a一片| 精品人妻在线不人妻| 最黄视频免费看| 美女视频免费永久观看网站| 满18在线观看网站| 亚洲情色 制服丝袜| 亚洲精品一区蜜桃| 两性夫妻黄色片| 久久精品国产综合久久久| videosex国产| 多毛熟女@视频| 好男人电影高清在线观看| 亚洲av欧美aⅴ国产| 精品国内亚洲2022精品成人 | 美女扒开内裤让男人捅视频| 国产精品久久久久久精品古装| 叶爱在线成人免费视频播放| 亚洲情色 制服丝袜| 国产亚洲av片在线观看秒播厂| 性少妇av在线| 天堂俺去俺来也www色官网| 老司机影院毛片| 一级毛片电影观看| 日本91视频免费播放| 日本vs欧美在线观看视频| 国产视频一区二区在线看| 岛国毛片在线播放| 免费av中文字幕在线| 99久久人妻综合| 国产一区二区在线观看av| 黑人巨大精品欧美一区二区mp4| 天天添夜夜摸| 久久久久久久久免费视频了| 国产精品久久久av美女十八| 国产区一区二久久| 不卡一级毛片| 人成视频在线观看免费观看| 久久人人爽av亚洲精品天堂| 亚洲国产日韩一区二区| 久久ye,这里只有精品| 国产野战对白在线观看| 91国产中文字幕| 老司机在亚洲福利影院| 成在线人永久免费视频| 两性午夜刺激爽爽歪歪视频在线观看 | 18在线观看网站| 久久热在线av| 久久精品国产亚洲av香蕉五月 | 成人手机av| 精品国产乱子伦一区二区三区 | 欧美另类亚洲清纯唯美| 欧美+亚洲+日韩+国产| 国产国语露脸激情在线看| 国产视频一区二区在线看| 成年美女黄网站色视频大全免费| 欧美乱码精品一区二区三区| 大香蕉久久网| 丝袜美足系列| 亚洲精品粉嫩美女一区| 亚洲欧洲精品一区二区精品久久久| 18禁国产床啪视频网站| 欧美另类亚洲清纯唯美| 午夜福利一区二区在线看| 成年女人毛片免费观看观看9 | 日本猛色少妇xxxxx猛交久久| 久久久久久久大尺度免费视频| 99热国产这里只有精品6| 少妇 在线观看| 日韩熟女老妇一区二区性免费视频| 国产成人精品久久二区二区免费| 91精品三级在线观看| 日日爽夜夜爽网站| 免费在线观看完整版高清| 中文精品一卡2卡3卡4更新| 国产日韩欧美亚洲二区| 日本vs欧美在线观看视频| 欧美日韩亚洲高清精品| 制服诱惑二区| 91字幕亚洲| tocl精华| 亚洲中文字幕日韩| 丝袜人妻中文字幕| av电影中文网址| 性色av乱码一区二区三区2| 丝袜美足系列| 免费观看人在逋| 免费一级毛片在线播放高清视频 | 久久狼人影院| 高清在线国产一区| 国产日韩欧美在线精品| 欧美另类亚洲清纯唯美| 日本欧美视频一区| av一本久久久久| 巨乳人妻的诱惑在线观看| 免费av中文字幕在线| 啦啦啦免费观看视频1| 国产激情久久老熟女| 日韩视频在线欧美| 成年女人毛片免费观看观看9 | 日本wwww免费看| 在线观看人妻少妇| 亚洲国产av新网站| 搡老岳熟女国产| 国产区一区二久久| 国产淫语在线视频| 久久久精品国产亚洲av高清涩受| 黑人巨大精品欧美一区二区蜜桃| 99热国产这里只有精品6| 欧美 日韩 精品 国产| 又大又爽又粗| 亚洲成人免费电影在线观看| cao死你这个sao货| 国产亚洲一区二区精品| 久久久久国内视频| 亚洲一区中文字幕在线| 久久九九热精品免费| 一边摸一边做爽爽视频免费| 母亲3免费完整高清在线观看| 欧美成人午夜精品| 视频在线观看一区二区三区| 一级黄色大片毛片| 女人久久www免费人成看片| 亚洲欧美一区二区三区久久| 精品久久久精品久久久| www.av在线官网国产| 国产日韩一区二区三区精品不卡| 欧美激情极品国产一区二区三区| 黄色a级毛片大全视频| 黄片小视频在线播放| 国产成人免费无遮挡视频| 在线观看免费视频网站a站| 男女高潮啪啪啪动态图| 国产精品九九99| av电影中文网址| 中亚洲国语对白在线视频| 热re99久久精品国产66热6| 国产精品 国内视频| 久久久久久免费高清国产稀缺| 日本wwww免费看| 一级黄色大片毛片| 久9热在线精品视频| videos熟女内射| 精品久久久久久电影网| 国产淫语在线视频| 午夜久久久在线观看| 亚洲男人天堂网一区| 精品第一国产精品| 天天添夜夜摸| 国产亚洲精品一区二区www | 欧美日韩亚洲高清精品| 久久久久久亚洲精品国产蜜桃av| 飞空精品影院首页| 大码成人一级视频| 精品视频人人做人人爽| 人人澡人人妻人| kizo精华| 午夜日韩欧美国产| 人人妻人人澡人人爽人人夜夜| 国产老妇伦熟女老妇高清| 精品免费久久久久久久清纯 | 亚洲avbb在线观看| 国产精品一二三区在线看| 国产精品久久久久久人妻精品电影 | 午夜福利,免费看| 夫妻午夜视频| 啦啦啦 在线观看视频| 我的亚洲天堂| 19禁男女啪啪无遮挡网站| 亚洲va日本ⅴa欧美va伊人久久 | 午夜久久久在线观看| 日韩 欧美 亚洲 中文字幕| 欧美中文综合在线视频| 国产精品久久久av美女十八| 欧美日韩亚洲国产一区二区在线观看 | 国产福利在线免费观看视频| 久久精品亚洲熟妇少妇任你| 欧美在线一区亚洲| 日韩 亚洲 欧美在线| 午夜福利在线观看吧| 日韩一区二区三区影片| 99久久精品国产亚洲精品| 99久久人妻综合| 两人在一起打扑克的视频| 欧美av亚洲av综合av国产av| e午夜精品久久久久久久| 国产又色又爽无遮挡免| 午夜成年电影在线免费观看| 久久毛片免费看一区二区三区| www.熟女人妻精品国产| 精品人妻在线不人妻| 免费不卡黄色视频| 久久久欧美国产精品| 欧美少妇被猛烈插入视频| 国产免费av片在线观看野外av| 亚洲中文日韩欧美视频| 天天添夜夜摸| 夜夜骑夜夜射夜夜干| 久久精品国产亚洲av高清一级| 无限看片的www在线观看| 国产一区二区三区在线臀色熟女 | 伦理电影免费视频| 男女午夜视频在线观看| 成人18禁高潮啪啪吃奶动态图| 国产精品久久久av美女十八| 亚洲色图 男人天堂 中文字幕| 亚洲专区国产一区二区| 老司机午夜十八禁免费视频| 欧美精品高潮呻吟av久久| 成人国语在线视频| 亚洲精品美女久久久久99蜜臀| 久久 成人 亚洲| 人人妻人人澡人人爽人人夜夜| 一级a爱视频在线免费观看| a级毛片在线看网站| 麻豆乱淫一区二区| 首页视频小说图片口味搜索| 免费黄频网站在线观看国产| 国产男女内射视频| 女人久久www免费人成看片| 丝袜美足系列| 欧美xxⅹ黑人| 中文字幕制服av| 久久久精品国产亚洲av高清涩受| 在线观看人妻少妇| 午夜免费鲁丝| 国产精品.久久久| 中文字幕av电影在线播放| 啪啪无遮挡十八禁网站| 秋霞在线观看毛片| 欧美精品人与动牲交sv欧美| 12—13女人毛片做爰片一| 18禁黄网站禁片午夜丰满| 午夜精品国产一区二区电影| svipshipincom国产片| 国产一卡二卡三卡精品| 国产日韩一区二区三区精品不卡| 狠狠婷婷综合久久久久久88av| 超碰成人久久| 国产精品 国内视频| 极品少妇高潮喷水抽搐| 99热网站在线观看| 天天躁夜夜躁狠狠躁躁| 国产人伦9x9x在线观看| 亚洲精品美女久久av网站| 97人妻天天添夜夜摸| 麻豆av在线久日| 久久久久久免费高清国产稀缺| 日韩中文字幕视频在线看片| 日韩电影二区| 亚洲色图综合在线观看| 亚洲av电影在线进入| 中文字幕精品免费在线观看视频| 波多野结衣一区麻豆| av在线app专区| 熟女少妇亚洲综合色aaa.| 国产亚洲欧美在线一区二区| 国产精品久久久久成人av| 最新的欧美精品一区二区| 久久久久久久大尺度免费视频| 中文字幕人妻熟女乱码| 亚洲精品一区蜜桃| 50天的宝宝边吃奶边哭怎么回事| 性高湖久久久久久久久免费观看| 亚洲欧美清纯卡通| 日韩大码丰满熟妇| 国产无遮挡羞羞视频在线观看| 亚洲综合色网址| 国产欧美日韩一区二区三 | 老司机在亚洲福利影院| 久久久精品国产亚洲av高清涩受| 精品人妻一区二区三区麻豆| 欧美中文综合在线视频| 亚洲九九香蕉| 狂野欧美激情性bbbbbb| 欧美精品一区二区免费开放| 久热这里只有精品99| 国产99久久九九免费精品| 久久久久国内视频|